記事日付：2026年7月20日
人型ロボットに移動やナビゲーションといった基本スキルを習得させる際、強化学習（RL）が有効ですが、実環境での試行錯誤はハードウェアの破損リスクやコストを伴います。
そのため、シミュレーション環境での学習が一般的ですが、シミュレーションと現実のギャップ（Sim2Real）を埋めることが長年の課題でした。
デジタルツインを活用した「Real2Sim」パイプライン
Niantic SpatialとFlexionは、この課題を解決するパイプラインを共同で発表しました。
Niantic Spatialの技術は、市販の360度カメラで撮影した映像から、高精度なデジタルツインを構築します。
このプロセスでは、視覚的な再現性だけでなく、ロボットが衝突判定を行うための物理メッシュも同一のデータから生成されます。
これにより、視覚情報と物理的な障害物情報の不一致を防ぎ、シミュレーション内での学習精度を向上させています。
RGBカメラによる学習の優位性と適応性
Flexionは、このデジタルツイン環境を活用し、RGBカメラの映像のみを用いたナビゲーションポリシーを学習させました。
RGBカメラは安価で汎用性が高く、形状だけでなく意味的な情報も捉えられるため、従来の深度センサー（LiDARやステレオカメラ）に依存した手法よりもスケーラビリティが高いとされています。
実験では、この手法で学習したポリシーが、未知の障害物に対しても高い適応性を示すことが確認されました。
導入検討時の判断材料
本技術は、ロボットの現場導入期間を大幅に短縮できる可能性がありますが、日本国内での具体的な提供条件やサポート体制については、現時点では一次情報からは確認できません。
導入を検討する際は、対象となる環境の撮影条件や、使用するロボットハードウェアとの互換性、および運用コストを公式情報で確認する必要があります。
また、本手法は静的な環境の再現には優れていますが、動的な環境変化への対応については、今後の技術開発や検証結果を注視することが重要です。
